~bzr-pqm/bzr/bzr.dev

« back to all changes in this revision

Viewing changes to doc/developers/performance-commit.txt

Don't encode unicode messages to UTF-8 in mutter() (the stream writer does it).

Use a codec wrapped log file in tests to match the real environment.

Show diffs side-by-side

added added

removed removed

Lines of Context:
1
 
Commit Performance Notes
2
 
========================
3
 
 
4
 
.. contents::
5
 
 
6
 
Commit: The Minimum Work Required
7
 
---------------------------------
8
 
 
9
 
This is Martin Pool's email to the mailing list on the minimum work that
10
 
commit needs to do. Be sure to check the mailing list archives 
11
 
(https://lists.ubuntu.com/archives/bazaar/2007q2/025791.html)
12
 
for follow-up comments from Robert and others ...
13
 
 
14
 
Here is a description of the minimum work that commit must do.  We
15
 
want to make sure that our design doesn't cost too much more than this
16
 
minimum.  I am trying to do this without making too many assumptions
17
 
about the underlying storage, but am assuming that the ui and basic
18
 
architecture (wt, branch, repo) stays about the same.
19
 
 
20
 
The basic purpose of commit is to:
21
 
 
22
 
1. create and store a new revision based on the contents of the working tree
23
 
2. make this the new basis revision for the working tree
24
 
 
25
 
We can do a selected commit of only some files or subtrees.
26
 
 
27
 
The best performance we could hope for is:
28
 
- stat each versioned selected working file once
29
 
- read from the workingtree and write into the repository any new file texts
30
 
- in general, do work proportional to the size of the shape (eg
31
 
inventory) of the old and new selected trees, and to the total size of
32
 
the modified files
33
 
 
34
 
In more detail:
35
 
 
36
 
1.0 - Store new file texts: if a versioned file contains a new text
37
 
there is no avoiding storing it.  To determine which ones have changed
38
 
we must go over the workingtree and at least stat each file.  If the
39
 
file is modified since it was last hashed, it must be read in.
40
 
Ideally we would read it only once, and either notice that it has not
41
 
changed, or store it at that point.
42
 
 
43
 
On the other hand we want new code to be able to handle files that are
44
 
larger than will fit in memory.  We may then need to read each file up
45
 
to two times: once to determine if there is a new text and calculate
46
 
its hash, and again to store it.
47
 
 
48
 
1.1 - Store a tree-shape description (ie inventory or similar.)  This
49
 
describes the non-file objects, and provides a reference from the
50
 
Revision to the texts within it.
51
 
 
52
 
1.2 - Generate and store a new revision object.
53
 
 
54
 
1.3 - Do delta-compression on the stored objects.  (git notably does
55
 
not do this at commit time, deferring this entirely until later.)
56
 
This requires finding the appropriate basis for each modified file: in
57
 
the current scheme we get the file id, last-revision from the
58
 
dirstate, look into the knit for that text, extract that text in
59
 
total, generate a delta, then store that into the knit.  Most delta
60
 
operations are O(n2) to O(n3) in the size of the modified files.
61
 
 
62
 
1.4 - Cache annotation information for the changes: at the moment this
63
 
is done as part of the delta storage.  There are some flaws in that
64
 
approach, such as that it is not updated when ghosts are filled, and
65
 
the annotation can't be re-run with new diff parameters.
66
 
 
67
 
2.1 - Make the new revision the basis for the tree, and clear the list
68
 
of parents.  Strictly this is all that's logically necessary, unless
69
 
the working tree format requires more work.
70
 
 
71
 
The dirstate format does require more work, because it caches the
72
 
parent tree data for each file within the working tree data.  In
73
 
practice this means that every commit rewrites the entire dirstate
74
 
file - we could try to avoid rewriting the whole file but this may be
75
 
difficult because variable-length data (the last-changed revision id)
76
 
is inserted into many rows.
77
 
 
78
 
The current dirstate design then seems to mean that any commit of a
79
 
single file imposes a cost proportional to the size of the current
80
 
workingtree.  Maybe there are other benefits that outweigh this.
81
 
Alternatively if it was fast enough for operations to always look at
82
 
the original storage of the parent trees we could do without the
83
 
cache.
84
 
 
85
 
2.2 - Record the observed file hashes into the workingtree control
86
 
files.  For the files that we just committed, we have the information
87
 
to store a valid hash cache entry: we know their stat information and
88
 
the sha1 of the file contents.  This is not strictly necessary to the
89
 
speed of commit, but it will be useful later in avoiding reading those
90
 
files, and the only cost of doing it now is writing it out.
91
 
 
92
 
In fact there are some user interface niceties that complicate this:
93
 
 
94
 
3 - Before starting the commit proper, we prompt for a commit message
95
 
and in that commit message editor we show a list of the files that
96
 
will be committed: basically the output of bzr status.  This is
97
 
basically the same as the list of changes we detect while storing the
98
 
commit, but because the user will sometimes change the tree after
99
 
opening the commit editor and expect the final state to be committed I
100
 
think we do have to look for changes twice.  Since it takes the user a
101
 
while to enter a message this is not a big problem as long as both the
102
 
status summary and the commit are individually fast.
103
 
 
104
 
4 - As the commit proceeds (or after?) we show another status-like
105
 
summary.  Just printing the names of modified files as they're stored
106
 
would be easy.  Recording deleted and renamed files or directories is
107
 
more work: this can only be done by reference to the primary parent
108
 
tree and requires it be read in.  Worse, reporting renames requires
109
 
searching by id across the entire parent tree.   Possibly full
110
 
reporting should be a default-off verbose option because it does
111
 
require more work beyond the commit itself.
112
 
 
113
 
5 - Bazaar currently allows for missing files to be automatically
114
 
marked as removed at the time of commit.  Leaving aside the ui
115
 
consequences, this means that we have to update the working inventory
116
 
to mark these files as removed.  Since as discussed above we always
117
 
have to rewrite the dirstate on commit this is not substantial, though
118
 
we should make sure we do this in one pass, not two.  I have
119
 
previously proposed to make this behaviour a non-default option.
120
 
 
121
 
We may need to run hooks or generate signatures during commit, but
122
 
they don't seem to have substantial performance consequences.
123
 
 
124
 
If one wanted to optimize solely for the speed of commit I think
125
 
hash-addressed  file-per-text storage like in git (or bzr 0.1) is very
126
 
good.  Remarkably, it does not need to read the inventory for the
127
 
previous revision.  For each versioned file, we just need to get its
128
 
hash, either by reading the file or validating its stat data.  If that
129
 
hash is not already in the repository, the file is just copied in and
130
 
compressed.  As directories are traversed, they're turned into texts
131
 
and stored as well, and then finally the revision is too.  This does
132
 
depend on later doing some delta compression of these texts.
133
 
 
134
 
Variations on this are possible.  Rather than writing a single file
135
 
into the repository for each text, we could fold them into a single
136
 
collation or pack file.  That would create a smaller number of files
137
 
in the repository, but looking up a single text would require looking
138
 
into their indexes rather than just asking the filesystem.
139
 
 
140
 
Rather than using hashes we can use file-id/rev-id pairs as at
141
 
present, which has several consequences pro and con.
142
 
 
143
 
 
144
 
Commit vs Status
145
 
----------------
146
 
 
147
 
At first glance, commit simply stores the changes status reports. In fact,
148
 
this isn't technically correct: commit considers some files modified that
149
 
status does not. The notes below were put together by John Arbash Meinel
150
 
and Aaron Bentley in May 2007 to explain the finer details of commit to
151
 
Ian Clatworthy. They are recorded here as they are likely to be useful to
152
 
others new to Bazaar ...
153
 
 
154
 
1) **Unknown files have a different effect.** With --no-strict (the default)
155
 
   they have no effect and can be completely ignored. With --strict they
156
 
   should cause the commit to abort (so you don't forget to add the two new
157
 
   test files that you just created).
158
 
 
159
 
2) **Multiple parents.** 'status' always compares 2 trees, typically the
160
 
   last-committed tree and the current working tree. 'commit' will compare
161
 
   more trees if there has been a merge.
162
 
 
163
 
  a) The "last modified" property for files.
164
 
     A file may be marked as changed since the last commit, but that
165
 
     change may have come in from the merge, and the change could have
166
 
     happened several commits back. There are several edge cases to be
167
 
     handled here, like if both branches modified the same file, or if
168
 
     just one branch modified it.
169
 
     
170
 
  b) The trickier case is when a file appears unmodified since last
171
 
     commit, but it was modified versus one of the merged branches. I
172
 
     believe there are a few ways this can happen, like if a merged
173
 
     branch changes a file and then reverts it back (you still update
174
 
     the 'last modified' field).
175
 
     In general, if both sides disagree on the 'last-modified' flag,
176
 
     then you need to generate a new entry pointing 'last-modified' at
177
 
     this revision (because you are resolving the differences between
178
 
     the 2 parents).
179
 
 
180
 
3) **Automatic deletion of 'missing' files.** This is a point that we go
181
 
   back and forth on. I think the basic idea is that 'bzr commit' by
182
 
   default should abort if it finds a 'missing' file (in case that file was
183
 
   renamed rather than deleted), but 'bzr commit --auto' can add unknown
184
 
   files and remove missing files automatically.
185
 
 
186
 
4) **sha1 for newly added files.** status doesn't really need this: it should
187
 
   only care that the file is not present in base, but is present now. In
188
 
   some ways commit doesn't care either, since it needs to read and sha the
189
 
   file itself anyway.
190
 
 
191
 
5) **Nested trees.** status doesn't recurse into nested trees, but commit does.
192
 
   This is just because not all of the nested-trees work has been merged yet.
193
 
 
194
 
   A tree-reference is considered modified if the subtree has been
195
 
   committed since the last containing-tree commit.  But commit needs to
196
 
   recurse into every subtree, to ensure that a commit is done if the
197
 
   subtree has changed since its last commit.  _iter_changes only reports
198
 
   on tree-references that are modified, so it can't be used for doing
199
 
   subtree commits.
200
 
 
201
 
 
202
 
Avoiding Work: Smarter Change Detection
203
 
---------------------------------------
204
 
 
205
 
Commit currently walks through every file building an inventory. Here is
206
 
Aaron's brain dump on a better way ...
207
 
 
208
 
_iter_changes won't tell us about tree references that haven't changed,
209
 
even if those subtrees have changed.  (Unless we ask for unchanged
210
 
files, which we don't want to do, of course.)
211
 
 
212
 
There is an iter_references method, but using it looks just as expensive
213
 
as calling kind().
214
 
 
215
 
I did some work on updating commit to use iter_changes, but found for
216
 
multi-parent trees, I had to fall back to the slow inventory comparison
217
 
approach.
218
 
 
219
 
Really, I think we need a call akin to iter_changes that handles
220
 
multiple parents, and knows to emit entries when InventoryEntry.revision
221
 
is all that's changed.
222
 
 
223
 
 
224
 
Avoiding Work: Better Layering
225
 
------------------------------
226
 
 
227
 
For each file, commit is currently doing more work than it should. Here is
228
 
John's take on a better way ...
229
 
 
230
 
Note that "_iter_changes" *does* have to touch every path on disk, but
231
 
it just can do it in a more efficient manner. (It doesn't have to create
232
 
an InventoryEntry for all the ones that haven't changed).
233
 
 
234
 
I agree with Aaron that we need something a little different than
235
 
_iter_changes. Both because of handling multiple parents, as well as we
236
 
don't want it to actually read the files if we have a stat-cache miss.
237
 
 
238
 
Specifically, the commit code *has* to read the files because it is
239
 
going to add the text to the repository, and we want it to compute the
240
 
sha1 at *that* time, so we are guaranteed to have the valid sha (rather
241
 
than just whatever the last cached one was). So we want the code to
242
 
return 'None' if it doesn't have an up-to-date sha1, rather than reading
243
 
the file and computing it, just before it returns it to the parent.
244
 
 
245
 
The commit code (0.16) should really be restructured. It's layering is
246
 
pretty wrong.
247
 
 
248
 
Specifically, calling "kind()" requires a stat of the file. But we have
249
 
to do a stat to get the size/whether the record is up-to-date, etc. So
250
 
we really need to have a "create_an_up_to_date_inventory()" function.
251
 
But because we are accessing every object on disk, we want to be working
252
 
in tuples rather than Inventory objects. And because DirState already
253
 
has the parent records next to the current working inventory, it can do
254
 
all the work to do really fast comparison and throw-away of unimportant
255
 
records.
256
 
 
257
 
The way I made "bzr status" fast is by moving the 'ignore this record'
258
 
ability as deep into the stack as I could get. Status has the property
259
 
that you don't care about most of the records, just like commit. So the
260
 
sooner you can stop evaluating the 99% that you don't care about, the
261
 
less work you do.
262